Die Streuung in Medien weist eine einzigartige inhärente Zufälligkeit auf. Zu den typischen Streueffekten zählt die Faser-Rayleigh-Streuung. Die Erforschung und das Verständnis der Eigenschaften der Faser-Rayleigh-Streuung sind von großem Forschungswert für optische Fasersensoren, Zufallsfaserlaser usw.
In praktischen, lauten Umgebungen ist die genaue Extraktion der Faser-Rayleigh-Streuung jedoch eine Herausforderung. Wenn Deep-Learning-Modelle die allgemeinen Eigenschaften der Faser-Rayleigh-Streuung ausdrücken und nur durch numerische Simulationsdatensätze trainiert werden können, wird dies einen erheblichen wissenschaftlichen und praktischen Wert haben.
Die allgemeinen Eigenschaften der Faser-Rayleigh-Streuung basierend auf einem Deep-Learning-Modell wurden erstmals von einer Forschungsgruppe der UESTC erfolgreich extrahiert. Veröffentlicht in Wissenschaft China InformationswissenschaftenDie Forschung nutzte einen rein numerischen Simulationsdatensatz, um ein selbst erstelltes Deep-Learning-Modell zu trainieren und die allgemeinen Eigenschaften der Faser-Rayleigh-Streuung zu extrahieren.
Die experimentelle Verifizierung wurde dann mit einem weit verbreiteten verteilten akustischen Sensorsystem durchgeführt, das als phasenempfindliche optische Zeitbereichsreflektometrie (Φ-OTDR) bekannt ist. Die konkreten Neuerungen und Bedeutung sind wie folgt:
1. Durch das Training mit einem numerischen Simulationsdatensatz erfasst das Deep-Learning-Modell erfolgreich die allgemeinen Eigenschaften der Faser-Rayleigh-Streuung und stellt die breitbandige Faser-Rayleigh-Streuung basierend auf dem schmalbandigen Erfassungssignal im Experiment genau wieder her. Dieses Modell verfügt über eine starke Verallgemeinerungsfähigkeit und verlässt sich nicht übermäßig auf die unter bestimmten experimentellen Bedingungen generierten Daten.
Daher ist es möglich, mithilfe numerischer Simulation umfangreiche und vielfältige Trainingsdatensätze für Φ-OTDR-Systeme zu erstellen und multifunktionale künstliche Intelligenz auf der Grundlage komplexer Modelle zu trainieren.
2. Mit der durch das Deep-Learning-Modell erhaltenen Faser-Rayleigh-Streuung kann der optimale Sondenimpuls im Voraus geschätzt und anschließend die Zeitbereichsreaktionen des Erfassungssignals optimiert werden, wodurch eine adaptive Wellenformmodulation im Φ-OTDR-System erreicht wird. Dies eröffnet neue Ideen für andere Forschungsrichtungen, die auf optischen Rayleigh-Streuungssystemen basieren, wie z. B. Zufallsfaserlaser, adaptive Optik mit Wellenfrontkorrektur usw.
Diese Arbeit untersucht die Verwendung eines Deep-Learning-Modells zur Extraktion der Eigenschaften der Rayleigh-Streuung in optischen Fasern. Die Entdeckungen bilden eine Grundlage für die Entwicklung einer multifunktionalen künstlichen Intelligenz, die speziell für die verteilte optische Fasersensorik entwickelt wurde, und bieten auch wertvolle Erkenntnisse für andere optische Systeme, die auf Rayleigh-Streuung basieren.
Mehr Informationen:
Yongxin Liang et al., Vorhersage von Faser-Rayleigh-Streuungsreaktionen basierend auf Deep Learning, Wissenschaft China Informationswissenschaften (2023). DOI: 10.1007/s11432-022-3734-0. www.sciengine.com/SCIS/doi/10. … 4b-bd8f-6fe346fa3db8